KIRIKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA TEZİ
DERİN ÖĞRENME İLE KÖPEK VE KEDİ TİBİA KEMİKLERİ ÜZERİNDEKİ KIRIKLARIN TESPİTİ VE SINIFLANDIRMASI
Berker BAYDAN
EYLÜL 2021
Bilgisayar Mühendisliği Anabilim Dalında Berker BAYDAN tarafından Derin Öğrenme ile Köpek ve Kedi Tibia Kemikleri Üzerindeki Kırıkların Tespiti ve Sınıflandırması adlı Doktora Tezinin Anabilim Dalı standartlarına uygun olduğunu onaylarım.
Doç. Dr. Atilla ERGÜZEN Anabilim Dalı Başkanı
Bu tezi okuduğumu ve tezin Doktora Tezi olarak bütün gereklilikleri yerine getirdiğini onaylarım.
Doç. Dr. Halil Murat ÜNVER
Danışman
Jüri Üyeleri
Başkan : Prof. Dr. Necaattin BARIŞÇI ___________________
Üye (Danışman) : Doç. Dr. Halil Murat ÜNVER ___________________
Üye : Prof. Dr. Celal İZCİ ___________________
Üye : Doç. Dr. Atilla ERGÜZEN ___________________
Üye : Dr. Öğr. Üyesi Erdal ERDAL ___________________
..../.../...
Bu tez ile Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü Yönetim Kurulu Doktora derecesini onaylamıştır.
Prof. Dr. Recep ÇALIN Fen Bilimleri Enstitüsü Müdürü
Aileme
ÖZET
DERİN ÖĞRENME İLE KÖPEK VE KEDİ TİBİA KEMİKLERİ ÜZERİNDEKİ KIRIKLARIN TESPİTİ VE SINIFLANDIRMASI
BAYDAN, Berker Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü
Bilgisayar Mühendisliği Anabilim Dalı, Doktora Tezi Danışman: Doç. Dr. Halil Murat ÜNVER
Eylül 2021, 96 sayfa
Tibia kırığı veteriner hekimlikte özellikle kedi ve köpeklerde çok sık rastlanan kırık şeklidir. Tibiadaki kırığın daha doğru, hızlı ve güvenli bir şekilde teşhis edilmesi hem klinisyen hem de hayvan sağlığı için oldukça önemlidir. Bu sebepten bilgisayar destekli sistemler ile otomatik tespit etme yöntemleri önemli hale gelmiştir. Derin öğrenme gibi en gelişmiş bilgisayar destekli yöntemler kullanılarak insanlarda kırık teşhisi yapılmaktadır. Bu çalışmanın amacı iki kısımdan oluşmaktadır. Birincisi derin öğrenme yöntemlerinden Mask R-CNN ve SSD’yi kullanarak kedilerin ve köpeklerin bütün/kısmi dijital görüntüleri üzerinde tibiayı (kırık/kırık değil) sınıflandırmak ve kırık olarak tespit edilmiş tibialar üzerinde kırığın yerini belirlemektir. İkincisi öznitelik çıkarım için kullanılan klasik Mask R-CNN mimarisinin omurgasında yer alan bölümü hibrit yapıya dönüştürüp kedi ve köpeklerdeki tibia kırığının tespit performansını yükseltmektir. Üniversite ve kurumlardan 1488 adet köpek ve kedi dijital görüntü elde edilmiştir. Buna istinaden tibia kırığı tespiti için dört farklı çalışma yapıldı. Birinci çalışmanın birinci fazında, kırık ve sağlam tibia sınıflandırılması otomatik şekilde Mask R-CNN kullanılarak yapıldı. İlk fazdan elde edilen kırık tibiadaki kırık yeri Mask R-CNN kullanılarak ikinci fazda belirlendi. İkinci çalışmada, kırık yeri doğrudan lokalize edilme işlemi için Mask R-CNN kullanıldı. Üçüncü
çalışmada birinci çalışmanın birinci fazından elde edilen kırık tibiadaki kırık yeri SSD kullanılarak lokalize edildi. Dördüncü çalışmada Mask R-CNN çatısında kullanılan orjinal omurga yapısını hibrit hale getirerek köpek ve kedi tibia kırıklarındaki kırık bölgelerinin tespiti yapıldı. Birinci çalışmanın birinci faz doğruluk ve F1 skor değerleri sırasıyla %74 ve %85, birinci çalışmanın ikinci faz F1 skor değeri ise %84,5 olarak bulundu. İkinci çalışmanın doğruluk ve F1 skor değerleri sırasıyla %52,1 ve %68,5 olarak bulundu. Üçüncü çalışmanın F1 skor değeri ise %46,2 olarak bulundu.
Dördüncü çalışmanın F1 skor değeri %85.8 olarak bulundu. Araştırmada yapılan çalışmanın sonuçlarına göre hibrit sistemin orjinal Mask R-CNN mimarisine göre daha başarılı tespitler yaparak hayvan sağlığının korunması açısından faydalı olacağını ve bu tip akıllı sistemler yardımıyla kırık teşhisinin yaygınlaştırılmasının hayvan refahı yönünden de yararlı olacağını gösterdi.
Anahtar kelimeler: Derin öğrenme, Hibrit, Kedi, Kırık, Köpek, Mask R-CNN, Tibia
ABSTRACT
DETECTION AND CLASSIFICATION OF FRACTURES ON DOG AND CAT TIBIA BONES WITH DEEP LEARNING
BAYDAN, Berker Kırıkkale University
Graduate School of Natural and Applied Sciences Department of Computer Engineering, Ph. D. Thesis
Supervisor: Assoc. Prof. Halil Murat ÜNVER September 2021, 96 pages
Tibia fracture is a very common form of fracture in veterinary medicine, especially in cats and dogs. It is very important for both the clinician and the animal health to diagnose the fracture in the tibia more accurately, quickly and safely. For this reason, computer aided systems and automatic detection methods have become important.
Fractures are diagnosed in humans using the most advanced computer-aided methods such as deep learning. The aim of this study consists of two parts. The first is to classify the tibia (fracture / no fracture) on the whole / partial digital images of cats and dogs using Mask R-CNN and SSD, one of the deep learning methods, and to localize the location of the fracture on the tibia fracture. The second is to transform the part of the backbone of the classical Mask R-CNN architecture used for feature extraction into a hybrid structure and increase the detection performance of tibia fractures in cats and dogs. In the studies, a total of 1488 dog and cat images were obtained from universities and institutions. Based on this, four different studies were conducted to detect tibia fractures. In the first phase of the first study, fracture and no fracture tibia classification was done automatically using Mask R-CNN. The fracture location of the tibia obtained from the first phase was localized in the second phase using Mask R-CNN. In the second study, Mask R-CNN was used for direct localization of the fracture location.
In the third study, the fracture location on the tibia fracture obtained from the first
phase of the first study was localized using SSD. In the fourth study, the fracture areas of the dog and cat tibia fractures were determined by hybridizing the original backbone structure used on the Mask R-CNN framework. The first phase accuracy and F1 score values of the first study were 74% and 85%, respectively, and the second phase F1 score value of the first study was 84.5%. The accuracy and F1 score values of the second study were 52.1% and 68.5%, respectively. F1 score value of the third study was found to be 46.2%. The F1 score value of the fourth study was found to be 85.8%.
According to the results of the study conducted in the research, it showed that the hybrid system will be beneficial in terms of protecting animal health by making more successful determinations compared to the original Mask R-CNN architecture, and that the dissemination of fracture diagnosis with the help of such intelligent systems will also be beneficial in terms of animal welfare.
Keywords: Cat, Deep learning, Dog, Fracture, Hybrid, Mask R-CNN, Tibia
TEŞEKKÜR
Tez çalışmamın hazırlanma ve yürütülmesinin her aşamasında deneyimlerini ve yardımlarını esirgemeyen danışmanım Sayın Doç. Dr. Halil Murat ÜNVER başta olmak üzere, tez çalışmasının şekillenmesi ve olgunlaşmasında bilimsel desteklerini esirgemeyen Sayın Prof. Dr. Necaattin BARIŞÇI’ya, Anabilim Dalı Başkanı Sayın Doç. Dr. Atilla ERGÜZEN’e, tez çalışmasının veri setini oluşturan görüntülerin temininde desteklerini esirgemeyen Ankara Üniversitesi Veteriner Fakültesi Dekanı Sayın Prof.Dr. Belgin SARIMEHMETOĞLU’na, Ankara Üniversitesi Veteriner Fakültesi Cerrahi Anabilim Dalı Başkanı Sayın Prof.Dr. Ali BUMİN’e, Kırıkkale Üniversitesi Veteriner Fakültesi Cerrahi Anabilim Dalı Başkanı Sayın Prof. Dr.
Ertuğrul ELMA’ya, Selçuk Üniversitesi Veteriner Fakültesi Cerrahi Anabilim Dalı Öğretim Üyesi Sayın Prof.Dr. Celal İZCİ’ye, Ankara Büyükşehir Belediyesi Sincan Geçici Hayvan Bakım Ev Rehabilitasyon Merkezi yetkilileri ve veteriner hekimlerine, örneklerin sınıflandırılmasında uzman görüşlerini esirgemeyerek ve değerli zamanlarını ayırarak yardımcı olan Kırıkkale Üniversitesi Veteriner Fakültesi Cerrahi Anabilim Dalı Öğretim üyesi Sayın Dr. Öğr. Üyesi Ali KUMANDAŞ’a, Ankara Üniversitesi Veteriner Fakültesi Anatomi Anabilim Dalı adına orijınal kedi ve köpek tibia görüntüsü veren Prof. Dr. Çağdaş OTO’ya teşekkürü bir borç bilirim.
Bu günlere gelmemde emek sarfetmiş olan rahmetle andığım ve hayattaki büyüklerime, anneme, babama, tez sürecinde gösterdikleri destek, sevgi ve sabırdan dolayı hayattaki en değerli varlıklarım kızım Duru BAYDAN ve eşim Emine BAYDAN’a sonsuz teşekkür ederim.
İÇİNDEKİLER DİZİNİ
Sayfa
ÖZET ... iii
ABSTRACT ... v
TEŞEKKÜR ... vii
İÇİNDEKİLER DİZİNİ ... viii
ŞEKİLLER DİZİNİ ... xi
ÇİZELGELER DİZİNİ ... xiii
KISALTMALAR DİZİNİ ... xiv
1. GİRİŞ ... 1
1.1. Tezin Amacı ... 2
1.2. Tezin Organizasyonu ... 3
2. LİTERATÜR ÇALIŞMASI ... 4
2.1. Kırık Tanımı ... 17
2.2. Kırığın Nedenleri ... 19
2.2.1. Dış Nedenler ... 19
2.2.2. İç (İntrinsik) Nedenler ... 20
2.3. Tibia Kemik Kırıkları ... 20
2.3.1. Köpek ve Kedilerde Tibia Kırıkları ... 21
2.3.2. Kırıkların Klinik ve Doğrulayıcı Tanı Yöntemleri ... 23
2.4. Yapay Zeka (YZ) ... 25
2.4.1. Yapay Zeka Bileşenleri ... 27
2.4.1.1. İnsan Unsuru ... 27
2.4.1.2. Bilgi Tabanı ... 27
2.4.1.3. Algoritma Seti ... 28
2.4.2. Yapay Zeka Sektörleri ... 28
2.4.2.1. Genetik Programlama ... 28
2.4.2.2. Veri Madenciliği ... 29
2.4.2.3. Örüntü Tanıma ... 29
2.4.2.4. Uzman Sistem ... 29
2.5. Makine Öğrenmesi ... 30
2.5.1. Makine Öğrenme Algoritmaları ... 31
2.5.2. Makine Öğrenmede Kullanılan Modeller ve Diller ... 32
2.6. Yapay Sinir Ağları (YSA) ... 32
2.7. Derin Öğrenme ... 33
2.7.1. Regional Proposal Network (RPN) ... 36
2.7.2. Fast R-CNN ... 38
2.8. Evrişimsel Sinir Ağı ... 38
2.8.1. Giriş Katmanı ... 40
2.8.2. Evrişimsel Katman (Convolutional Layer) ... 40
2.8.3. Havuzlama Katmanı ... 42
2.8.4. Seyreltme Katmanı ... 42
2.8.5. Tamamen Bağlı Katmanı ... 42
2.9. Popüler ESA Mimarileri/Derin Öğrenme Modelleri ... 43
2.9.1. LeNet ... 43
2.9.2. AlexNet ... 44
2.9.3. GoogLeNet ... 45
2.9.4. Microsoft ResNet ... 45
2.9.5. VGG ... 46
2.9.6. DenseNet ... 47
3. MATERYAL VE YÖNTEM ... 50
3.1. Veri Seti ... 50
3.2. Tibia Kırıklarının Etiketleme İşlemi ... 50
3.3. Tibia Kemik Kırıkları Tespiti İçin Kullanılan Derin Öğrenme Yöntemleri .. 52
3.4. Mask R-CNN ... 52
3.5. Single Shot Detector (SSD) ... 53
3.5.1. Modelin API İçerisine Yerleştirilmesi ... 53
3.5.1.1. Etiketleme Sonucu Oluşan Xml Dosyalarının Tensorflow’un ... 53
3.5.1.2. Labelmap Oluşturma ve Config Dosyalarının Düzenlenmesi ... 54
3.5.2. Geliştirilen Modelin Değerlendirme Kriterleri ... 55
4. BULGULAR ... 59
4.1. Geliştirme Ortamı ... 59
4.2. Tibia Kırığının Tespiti İçin Önerilen Sistem Mimarisi ... 60
4.3. Performans Değerlendirmesi ... 64
5. TARTIŞMA ... 76
6. SONUÇLAR VE ÖNERİLER ... 79
KAYNAKLAR ... 81
ÖZGEÇMİŞ ... 95
ŞEKİLLER DİZİNİ
ŞEKİL Sayfa
2.1 Humerus Üst Uç Kemik Kırığına Ait Örnekler ... 6
2.2 Omurga Kırıklarına Ait Görüntüler ve Kırıkların Etiketlenmesi ... 7
2.3 Convolutional Filtresinden Geçen Omurga Kırığına Ait Görüntü ... 7
2.4 ESA Ağından Geçen El Bileğinin Görüntüsü ... 8
2.5 Vücuttaki Kemiklerinin Tespiti İçin Uygulanan ESA Katmanları ... 9
2.6 Sistem Blok Diyagramı ... 10
2.7 Farklı açılardan çekilmiş köpek (A) ve kedi (B) tibiası ... 21
2.8 Derin öğrenmeye temel oluşturan bir nöron hücresi ... 33
2.9 YZ, ML ve DL arasındaki ilişki ... 33
2.10 Faster R-CNN mimaris ... 36
2.11 Konvolüsyon Aktivasyon Haritası ... 36
2.12 Anchors (Kutular) ... 37
2.13 600x800 boyutundaki bir görüntüdeki kutular ... 37
2.14 Filtrenin Uygulandığı Konvolüsyon İşlemi ... 40
2.15 CIFAR-10 Veri Seti Ağırlık Bağlantısı ... 41
2.16 Doldurma (Padding) ... 41
2.17 Maksimum Havuzlama Gösterimi ... 42
2.18 LeNet Mimarisi Gösterimi ... 43
2.19 AlexNet Mimarisinin Gösterimi ... 44
3.1 Etiketleme Aracı... 51
3.2 Etiketlenmiş Kırık Görüntüsünün Koordinat Bilgisi ... 51
4.1 Mask R-CNN Mimarisi ... 61
4.2 SSD Mimarisi ... 61
4.3 Orijinal Mask R-CNN mimarisinin Katman Seviyesinde Görünüşü ... 62
4.4 Omurgası Hibritlendirilmiş Mask R-CNN Mimarisinin Katman Seviyesinde Görüntüsü ... 62
4.5 Önerilen Sistem Mimarisinin Akış Şeması ... 64
4.6 Bütün Vücut Görüntüsünden Tespit Edilmiş ve Sınıflandırılmış Sağlam ve Kırık Tibia Görüntüsü ... 66
4.7 Sistem Tarafından Otomatik Olarak Bütün/Kısmi Vücut Görüntüsünden Elde Edilen Kırık Tibia Üzerindeki Kırık Yerinin Mask R-CNN ile Tespiti ve Belirlenmesi ... 67 4.8 Mask R-CNN Kullanarak Bütün/Kısmi Vücut Görüntüsünden Doğrudan Kırık Tibianın Kırık Yerinin Tespiti ve Belirlenmesi ... 69 4.9 Sistem Tarafından Otomatik Olarak Bütün/Kısmi Vücut Görüntüsünden Elde Edilen Kırık Tibia Üzerindeki Kırık Yerinin SSD ile Tespiti ve
Belirlenmesi ... 70 4.10 Sistem Tarafından Otomatik Olarak Bütün/Kısmi Vücut Görüntüsünden Elde Edilen Kırık Kedi Tibia’sı Üzerindeki Kırık Yerinin Omurgası Hibridize ile Tespiti ve Belirlenmesi ... 71 4.11 Sistem Tarafından Otomatik Olarak Bütün/Kısmi Vücut Görüntüsünden Elde Edilen Kırık Köpek Tibia’sı Üzerindeki Kırık Yerinin Omurgası Hibridize ile Tespiti ve Belirlenmesi ... 72
ÇİZELGELER DİZİNİ
ÇİZELGE Sayfa
2.1 Kemik Kırığı Tespit Oranı………...11 2.2 Femur Kemik Kırığının Tespiti ve Sınıflandırılaması Üzerine
Performans Karşılaştırılması………...12 4.1 ResNet 101 ile Modified ResNet 101 + Dense Block
(from DenseNet)’un Mimari Karşılaştırması……….…………..63 4.2 Mask R-CNN Kullanarak Tibiadaki Kırıkların Tespit, Sınıflandırma ve Belirleme Çalışmalarının Metrik Sonuçları……….….……...73 4.3 SSD Kullanarak Tibiadaki Kırıkların Tespit, Sınıflandırma ve
Belirleme Çalışmalarının Metrik Sonuçları………..……...74 4.4 Omurgası Hibridize Edilmiş Mask R-CNN Kullanarak Tibia Kırığı Üzerindeki Kırık Bölgesinin Tespiti ve Belirlenmesi………...75
KISALTMALAR DİZİNİ
R-CNN Bölgesel Tabanlı Evrişimsel Sinir Ağı
SSD Tek Atış Detektörü
DÖ Derin Öğrenme
YZ Yapay Zeka
MÖ Makine Öğrenmesi
BT Bilgisayarlı Tomografi
MRT Manyetik Rezonans Görüntüleme
ESA Evrişimsel Sinir Ağı / Convolutional Neural Network GGG Görsel Geometri Grubu / Visual Geometry Group
KA Konut Ağı / ResNet
ÜDA Üretici Düşmanlık Ağı / Generative Adversarial Network DOK Değişken Otomatik Algılayıcıları / Variational Auto Encoder GSEM Gri Seviye Eş Oluşum Matrisi / Gray-Level Co-Occurrence Matrix İBGYSA İleri Besleme Geri Yayılım Sinir Ağları / Feed Forward Back
Propagation Neural Network
DVM Destek Vektör Makinesi / Support Vector Machine
NB Naive Bayes
FS Füzyon Sınıflandırıcı / Fusion Classifier BŞA Boyun Şaft Açısı / Neck Shaft Angle
MRA Markov Rastgele Alanlar / Markov Random Field YG Yoğunluk Gradyanı / Intensity Gradient
YGZ Yapay Genel Zeka
YSZ Yapay Süper Zeka
YSA Yapay Sinir Ağları / Artificial Neural Network
DDİ Doğal Dil İşlemesi
KEK K En Yakın Komşu
EKVR En Küçük Kareler Vektör Regresyonu SRA Sınıflandırma ve Regresyon Ağacı GRSA Genel Regresyon Sinir Ağları GYSA Geri Yayılım Sinir Ağları
DSA Derin Sinir Ağı
TSA Tekrarlayan Sinir Ağı
UKSBA Uzun Kısa Süreli Bellek Ağları YOK Yığınlanmış Otomatik Kodlayıcılar
DBM Derin Boltzman Makinesi
DİA Derin İnanç Ağları
BTA Bölgesel Teklif Ağı / Regional Proposal Network BÜK Birlik Üzerinden Kesişim / Intersection Over Unit
UPA Uygulama Program Arabirimi / Application Program Unit GİB Grafik İşleme Birimi / Grapical Processing Unit
KYM Kırmızı Yeşil Mavi / Red Green Blue
MOB Maksimum Olmayan Bastırma / Non Max Supression İB İlgi Bölgesi / Region Of Interest
EÖM Ekstra Öğrenme Makinesi
DDB Doğrultulmuş Doğrusal Birim / Rectified Linear Unit İAT İnsan Aktivite Tanımlama
KTB Kapalı Tekrarlayan Birim
TP Doğru Pozitif
FP Yanlış Pozitif
FN Yanlış Negatif
TN Doğru Negatif
1. GİRİŞ
Mağaralardaki çizimlerden insanların tarih öncesi yıllardan itibaren hayvanlarla iç içe olduğu anlaşılmaktadır. İnsan-hayvan bağı, insanlar ve hayvanlar arasında her iki tarafın da sağlığı ve refahı için gerekli olan karşılıklı fayda sağlayan bir ilişki olarak tanımlanmaktadır. Evcil hayvanlar çocuklarda eğitsel ve bilişsel yararlar sağlarken, yetişkinlerde kalp-damar hastalıklarında azalma ve yanlızlık duygusunun en aza indirilmesi şeklinde fiziksel ve psikolojik yararları sağlamaktadır. Bu yararlardan dolayı insanın ayrılmaz bir parçası olan ve bazı hastalıkların tedavisinde “pet terapisi”
adıyla yapılan uygulamalarda yararlanmak üzere istihdam edilen kedi, köpek gibi refakatçi (arkadaş) hayvanların sahiplenilmesi ülkeler bazında giderek artmıştır [1,2].
Bu kapsamda Kuzey Amerika’lıların yaklaşık %70’inin hayatında en az bir pet hayvanın olduğu bildirilmektedir [1].
Hayvanlar acı ve sıkıntı hissetme duygularının yanısıra, türlere göre değişkenlik gösterebilen, çevreye ve koşullara uygun rahatlık, zevk veya ilgi gibi olumlu deneyimler yaşama yeteneğine sahip canlılardır [1]. Hayvan refahı konusu, 1960’lı yıllardan önce ilk defa hayvan hakları şeklinde Avrupa’da bazı yasal düzenlemelerle gündeme gelmiştir. Ancak, son yıllarda konu üzerine odaklanmalar daha da artmıştır;
bunda, basılı ve görsel yayınlarla toplum bilincindeki artış, konu ile ilgili sivil toplum örgütlerinin sayıca artması, çıkarılan yasal düzenlemeler ve bu düzenlemelerin giderek daha da iyileştirilmesi gibi faktörler etkili olmuştur [3]. Çoğu evcil hayvanın AB ülkelerinde iyi muamele gördüğü kabul edilmekle birlikte, bazı üye ülkelerde özellikle başıboş köpeklerle ilgili önemli sorunların olduğu vurgulanmaktadır [4].
Hayvan refahı, “zenginlik ve mutluluk” anlamına gelen İngilizce kökenli “welfare”
sözcüğüyle Avrupa yasalarına girmiştir [3]. Hayvan refahı farklı şekillerde tanımlanmakla birlikte kısaca "hayvanların fiziksel ve psikolojik, sosyal ve çevresel refahı" olarak bildirilmektedir [1]. Avrupa Birliği (AB)’nin 98/58 / EC kodlu önsözünün 7. paragrafında "deneyimlerle belirlenmiş ve bilimsel bilgiye uygun olarak hayvanların fizyolojik ve etyolojik ihtiyaçlarına uygun barınma, yiyecek, su ve bakım sağlanması" ifadesi olarak geçmektedir [4]. Ancak, refah kelimesi hayvanlarla ilgili olarak oldukça geniş bir kapsama alanına sahiptir. Hayvanlarda refahı etkileyen
başlıca faktörler “hastalıklar, yaralanmalar, uyarılar, sosyal ilişkiler, barınma şartları, hastalıklarda kullanılan özel tedaviler, insan tarafından yapılan sevk ve idare işlemleri, nakil, laboratuvar uygulamaları, çeşitli sakatlanmalar, veteriner hekim müdaheleleri ve klasik yollarla veya gen mühendisliğini kullanarak hayvan genotipinin değiştirilmesi” olarak sıralanabilmektedir. Fakat, hayvan refahının pek çok alanla da ilişkileri olduğu bilinmektedir. Bu kapsamda hayvan sağlığındaki bozulma refahı etkileyen önemli faktörlerden biridir [3].
Sağlık ve refah terimleri, insan ve hayvanlar için tamamen aynı anlama sahiptir [4].
Sağlıkla ilgili veteriner hekimlik alanındaki uygulamalar hayvan refahının önemli bir parçasını oluşturur [1]. Hastalıklı hayvanlar çoğu kez çevreleriyle baş etmekte güçlük çekerler veya bunu başaramazlar, bu nedenle başka türlü benzer koşullarda refahları sağlıklı bir hayvanınkinden daha zayıftır. Hastalığın ağrıya veya başka türden rahatsızlıklara ya da sıkıntıya neden olmasına bakılmaksızın hastalığın etkilerini azaltan veteriner tedavisi hayvan refahını iyileştirmeye yönelik bir uygulamadır [4].
Mesleki ve toplumsal beklentiler, veteriner hekimlerin hayvan refahını geliştirmede öncü olmaları ve hayvan hastalarına ilişkin bilinçli tıbbi ve etik seçimler yapmaları yönündedir [5].
Hayvanlara mümkün olan en iyi yaşam kalitesini, fiziksel sağlık sağlamayı, acılarını/ızdıraplarını giderme veya en aza indirgemeyi ve doğal davranışlarını sergilemelerini sağlamak insanların hayvanlara olan borcudur. Hayvanların insanlarla oynadığı her rol için bir refah değerlendirmesi ve sorunları azaltma planı yapılması gereklidir. Bunlar gerçekleştiği zaman toplumda insan yararına pek çok görevler üstlenen köpek ve kedilerle ilgili sosyal sözleşme ve görevler yerine getirilmiş olacaktır [6].
1.1. Tezin Amacı
Bu çalışmanın amacı derin öğrenme yöntemleri kullanarak veteriner klinisyenler için tibiadaki kırığın daha doğru, hızlı ve güvenli bir şekilde teşhis edilmesi adına kedilerin ve köpeklerin bütün/kısmi dijital görüntüleri üzerinde tibiayı kırık/kırık değil olarak sınıflandırmak ve kırık olarak tespit edilmiş tibialar üzerinde kırığın yerini belirlemektir.
Son olarak köpek ve kedi tibia kırıklarındaki kırık bölgelerinin tespitini daha hızlı ve daha yüksek performans sağlayabilmek için Mask R-CNN mimarisinde kullanılan orjinal omurga yapısı hibrit hale getirilmiştir. Böylece akıllı sistemler yardımıyla kırık teşhisinin yaygınlaştırılmasının hayvan refahı yönünden yararı gösterilmiş olacaktır.
1.2. Tezin Organizasyonu
Tezin ikinci bölümünde Yapay Zeka ile sağlık alanında dijital röntgen üzerinden yapılan otomatik tespit çalışmaları ve derin öğrenme ile bilgisayar destekli sistemler kullanılarak kemik kırıklarının otomatik tesptine illişkin literatür çalışmalarına değinilmiştir.
Üçüncü bölümde, tibiaya ilişkin veteriner hekimliğine ait bilgilere değinilmiş, tibia kırıklarının sınıflandırılması ve tespitinde kullanılan metotlar açıklanmıştır.
Dördüncü bölümde tibiaya ilişkin hem sağlam hem de kırık kemiklerinde kullanılan veri setleri anlatılmış, geliştirme ortamından bahsedilmiş, tibia kırığının tespiti için önerilen sistem mimari açıklanmış ve elde edilen sonuçlar literatürdeki benzer çalışmalarla önerilen sistem karşılaştırılarak tartışılmıştır.
Tezin son bölümünde ise elde edilen sonuçlardan bahsedilmiş ve ileride yapılabilecek çalışmalar için öneriler sunulmuştur.
2. LİTERATÜR ÇALIŞMASI
Derin Öğrenme (DÖ), görüntü tanıma, konuşma tanıma ve doğal dil işlemede yaygın olarak benimsenmiştir, ancak sağlık hizmetlerini daha yeni yeni etkilemeye başlamıştır [7]. Tıpta yapay zeka (YZ) araştırmaları giderek artan bir şekilde makine öğrenimi (MÖ) tekniklerini karmaşık sorunlara uygulamaya ve böylece bilgisayarların kendi ilişkilerini öğrenerek büyük miktarda hasta verisinden tahminler yapmasına izin vermeye odaklanmaktadır. Makine öğrenimi araştırmasındaki eğilimler “Klinik karar destek sistemleri” tıpta yaygın bir şekilde kullanılmaktadır ve ilaçların güvenli reçetelenmesi, kılavuza uyma, basit risk taraması veya prognostik puanlama konusunda rehberlik sağlama alanlarında en fazla etkiye sahiptir [8]. Tıpta derin öğrenme, diyabetik retinopati ve prematüre retinopatisi, glokom benzeri disk, makula ödemi ve yaşa bağlı maküler dejenerasyonun saptanması gibi oftalmoloji alanında [7], malign melanom ve tüberküloz tanısında insanlarla karşılaştırılabilir ölçüde yetenekler göstermiştir [9]. Tıbbi görüntüler için röntgen, bilgisayarlı tomografi (BT), manyetik rezonans görüntüleme (MRG) ve ultrason gibi veri türleri klinik uygulamalar için yüksek potansiyele sahip önem oluşturmaktadır. Bu veriler insan hatalarını en aza indirerek hastalıkların otomatik olarak tespit edilmesine, çalışma protokolleri oluşturulmasına, görüntü kalitesini iyileştirerek radyasyon dozunu azaltmaya, MRG tarayıcı süresini azaltmaya, personel ve tarayıcı kullanımını optimize etmeye ve böylece maliyetleri düşürmeye yardımcı olur [10]. Teşhis desteği dışında tıpta MÖ sistemleri, diğer karar desteği türleri için, örneğin çok sayıda karmaşık faktöre dayalı risk tahminleri yapmak (Örn. sepsis için) veya belirli tedavi türlerini bireylere göre uyarlamak, kanserli bir hastanın BT taramalarını analiz ederek bu verileri önceki hastalardan öğrenilenlerle birleştirmek, yakındaki organlara verilen zararı en aza indirmek için hastaya özel bir radyasyon tedavisi önerisi sunan sistemler geliştirmek gibi alanlarda kullanılmak üzere artık klinik uygulamaya girmektedir [8]. Kısaca YZ uygulamaları, doktorlar da dahil olmak üzere birçok profesyonelin çalışma metodolojilerini değiştirecek ve bu da özellikle radyolojide diğer tıp alanlarına göre daha hızlı gerçekleşecek gözükmektedir [10]. İngiltere’de özellikle tıpta son yıllarda radyoloji hizmetlerine olan taleplerdeki ciddi artışlar ve iş gücü yetersizliğine bağlı olarak raporlamalardaki sorunlara bağlı olarak gecikmiş ya da kaçırılmış tanıdan
dolayı hastaya zarar verebilme olasılığını minimize etmede raporlama sistemlerinin iyileştirilmesi gereklilikleri vurgulanmaktadır [11].
YZ sistemleri geliştirmek için makine öğrenmesi kritik bir unsurdur. Konuyla ilgili bulgu ve tanılarla birlikte veri seti görüntülerinin bir radyolog tarafından yorumlanması, doğru ve kaliteli olanların kabul edilip yetersiz olanların reddedilmesi noktasında, kısaca tanısal performansı artırmada radyologlar altın standart değerindedir [9].
Tıpta ve radyolojide YZ’nin zorlukları algoritma geliştirmedeki ilerleme, hesaplama kaynaklarına erişim kolaylığı ile birleştiğinde tıbbi karar verme görevlerinde umut verici sonuçlara ulaşılmasına fırsat vermektedir. Derin öğrenme algoritmaları şu anda meme kanseri tespiti için mamografide, kolon kanseri teşhisi için BT'de, akciğer nodüllerinin tespiti için göğüs radyografilerinde, beyin tümörü segmentasyonu için MRG'de ve Alzheimer hastalığı gibi nörolojik bozuklukların teşhisi için kullanılmaktadır. Ancak, tıpta ve özellikle radyolojide, hekimlere değil, düzenleyici kurumlara ve hükümetlere bağlı olan YZ uygulamalarının zorlukları vardır [10].
Tıbbi görüntüleme analizi için yapay zeka sistemi oluşturmanın on adımı Ting ve ark (2019) tarafından şu şekilde bildirilmiştir;
1. Klinik bir ihtiyacı veya araştırma sorusunun belirlenmesi
2. Veri kümelerinin seçimi - eğitim, doğrulama ve testin bölünmesi
3. ESA'ların Seçimi (ör. AlexNet, VGGNet, ResNet, DenseNet, Ensemble)
4. DÖ sistemlerini oluşturmak için yazılım seçimi - Keras, Tensorflow, Cafe, Python 5. ImageNet'te transfer öğrenme / ön eğitimin kullanımı
6. Ayarlama ve optimizasyon için geri yayının kullanımı
7. Veri kümelerinin özelliklerinin raporlanması - hastaların demografik özellikleri, retina görüntüsü ve hastalık özellikleri
8. Yerel ve harici doğrulama veri setlerinde teşhis performansının raporlanması - eğri altındaki alan, duyarlılık ve özgüllük, doğruluk ve kappa
9. Teşhisi açıklamak için ısı haritasının kullanımı - farklı ısı haritası türleri (oklüzyon testi, yumuşak dikkat haritası, entegre gradyan yöntemi)
10. Retina görüntülemede yeni yöntemler - GAN, VAE ve potansiyel klinik uygulamaları
Bugüne kadar bilgisayar desteği ile kemik kırıklarının tespiti ve sınıflandırma işlemlerine yönelik çalışmalar farklı teknikler kullanılarak gerçekleştirilmiştir. Genel olarak kemik kırıklarının tespiti ve sınıflandırılması için Derin Öğrenme ve Görüntü İşleme teknikleri kullanılmıştır.
Bu kapsamda yapılan bir çalışmada DÖ teknolojisi kullanılarak insan humerus (kol kemiği) üst uç kırıklarının tespiti ve sınıflandırılması gerçekleştirilmiştir. Bu çalışmada 1891 omuz röntgen görüntüleri kullanılmıştır. Görüntüler Konkuk Üniversitesi Medical Center, Kyungpook Ulusal Üniversite Hastanesi, Myungji Hastanesi, Kangwon Ulusal Üniversite Hastanesi, Ulusal Polis Hastanesi, Seoul Saint Mary Hastanesi ve Wonkwang Üniversite Sanbon Hastanesinden temin edilmiştir.
Dört farklı tipte humerus üst uç kırığı (greater tuberosity, surgical neck, 3 parçalı ve 4 parçalı) 3 uzman tarafından etiketlenerek sınıflara ayrılmıştır. Dört farklı tipte humerus üst uç kırığına ait görüntüler Şekil 2.1’de verilmiştir. Şekil 2.1’de görüldüğü üzere A grubu normal humerus kemiğine ait görüntüyü, B grubu greater tuberosity kırığına ait görüntüyü, C grubu surgical neck kırığına ait görüntüyü, D grubu 3 parçalı kırığa ait görüntüyü, E grubu 4 parçalı kırığa ait görüntüyü içermektedir. DÖ teknolojisine ait ESA (Evrişimsel Sinir Ağı) metodu kullanılarak bir kırık tipinin diğer kırık tiplerinden ayırabilme performansı greater tuberosi kırığı için %86, surgical neck kırığı için %80, 3 parçalı kırık için %65, 4 parçalı kırık için %75 olarak sonuç vermiştir [12].
Şekil 2.1 Humerus Üst Uç Kemik Kırığına Ait Örnekler [12]
Başka bir çalışmada DÖ ait ESA metodu kullanılarak omurgadaki kırıkların tespiti yapılmıştır. Bu çalışma 18 kadın/erkek hastanın omurga kırığına ait röntgen
görüntülerinin 55 bölgede uzman kişi tarafından etiketlenerek yapılmıştır. Görüntüler Kaliforniya Üniversitesi Irvine Medical Center’dan temin edilmiştir. Etiketleme işlemine ait görüntüler Şekil 2.2’de verilmiştir. Şekil 2.2’de kırmızı renge ait bölümler kırığın etiketlendiği bölgeyi göstermektedir.
Bu çalışmada ESA metodunu uygularken 5 konvolüsyonel katman, 3 tamamen bağlı katman ve sınıflandırma için softmax katmanı kullanılmıştır. Şekil 2.3’te konvolüsyonel katmandan çıkan omurga kırığına ait görüntü verilmiştir. Omurgaya ait kırığın olup olmadığına göre sınıflandırma performansı %71 veya %81 hassasiyette sonuç vermiştir [13].
Şekil 2.2 Omurga Kırıklarına Ait Görüntüler ve Kırıkların Etiketlenmesi [13]
Şekil 2.3 Convolutional Filtresinden Geçen Omurga Kırığına Ait Görüntü [13]
Bir diğer çalışmada el bileği kırığının tespiti için Derin Öğrenme teknolojisi kullanılmıştır. Ocak 2015 ile Ocak 2016 yılları arasına ait el bileği röntgen görüntüleri Royal Eveon ve Exeter Hastanesinden elde edilmiştir. Bu görüntülerin 695 adeti kırık el bileği ve 694 adeti kırık olmayan el bileği görüntülerini içermektedir. Bu görüntüleri ESA’ya vermeden önce görüntüler ön işlemeden geçirilerek “Red Spot”
anotasyonlarından giderilir ve böylece ezberlemeden (over-fitting ) kurtulmuş olunur.
Ayrıca, eğitim verilerinin çoğaltılması için data augmentation tekniği kullanılmıştır.
Görüntü ön işleme aşamaları bittikten sonra görüntüler ESA’ya verilir ve ESA’daki temel filtrelerden geçirilir. Bu filtreler geri yayılım (BackPropogation ) tekniği kullanılarak eğitim işlemleri tarafından geliştirilir. Geri yayılım tekniği sayesinde ağdaki hata minimize edilmiştir. ESA ağından geçen el bileğinin durumunu gösteren görüntü Şekil 2.4’te verilmiştir. Kırığın doğru şekilde tespit edilme hassasiyeti %95 olarak görülmüştür [11].
Şekil 2.4 ESA Ağından Geçen El Bileğinin Görüntüsü [11]
Lindsey ve arkadaşları (2018) tarafından yapılan bir çalışmada Derin Öğrenme teknolojisinin kemik kırığı tespitinin klinisyenler tarafından geliştirilmesi amaçlanmıştır. Röntgen görüntüleri Özel Cerrahi Hastanesinden Eylül 2000 ile Mart 2016 tarihleri arasında toplanmıştır. 135545 adet röntgen görüntüsü insan vücudunun farklı bölümlerini içermektedir. Kırıkların tespiti için ESA metodu kullanılmıştır. ESA metodu için uygulanan katmanlar Şekil 2.5’te gösterilmiştir. Tespit etme performansı
%82,7 hassasiyette sonuç vermiştir [14].
Şekil 2.5 Vücuttaki Kemiklerinin Tespiti İçin Uygulanan ESA Katmanları [14]
Bugüne kadar kemik kırıklarının tespiti ve sınıflandırması için kullanılan Derin Öğrenme teknolojisi yanında diğer bir teknoloji olan “Görüntü İşleme” yöntemleri de kullanılmıştır. Chai ve arkadaşları (2011)’nın yaptığı çalışmada Görüntü İşleme tekniği olan Gri Seviye Eş Oluşum Matrisi (GSEM) kemik kırıklarının tespitinde kullanılmıştır. Görüntü olarak Femur kemiğine ait röntgen görüntüleri kullanılmıştır.
Görüntü üzerindeki gürültüleri ortadan kaldırabilmek için görüntü ön işleme teknikleri uygulanmıştır. Bunlar İkili Dönüştürme (Binary Conversion) ve İnce Parçacıklarının Eliminasyonu (Fine Particles Elimination) teknikleridir. Daha sonra kırık kemiğin sınıflandırılması için GSEM kullanılmıştır. Şekil 2.6’de sistemin blok diyagramı verilmiştir. Sonuç olarak geliştirilen yöntemin kırık sınıflandırmasındaki doğruluğu
%86.67 olmuştur [15].
Şekil 2.6 Sistem Blok Diyagramı [15]
Görüntü İşleme tekniği kullanılan bir başka çalışmada Tibia kemik kırığının tespiti çalışma konusu olarak ele alınmıştır. Bu çalışmada kemik kırığının tespiti için görüntü işleme adımlarından önişleme, segmentasyon ve özellik çıkarımı kullanılmıştır.
Sınıflandırma içinse İleri Besleme Geri Yayılım Sinir Ağı (İBGYSA), Destek Vektör Makinesi (DVM) ve Naive Bayes (NB) sınıflandırıcı ve füzyon sınıflandırıcı (FS) teknikleri ile kullanılmıştır. Bu çalışma için 1000 adet test röntgen görüntüsü ve 400 adet kırık kemik ve 250 adet sağlam kemik olmak üzere 650 adet eğitim röntgen görüntüsü kullanılmıştır. Kullanılan sınıflandırma algoritmalarını kırık ve kırık olmayan kemiğin tespitinin doğruluk oran Çizelge 2.1’de verilmiştir [16].
Çizelge 2.1 Kemik Kırığı Tespit Oranı [16]
Kemik Tipi İBGYSA DVM NB FS
Kırık Kemik 83.12 85.71 86.08 91.27
Kırık Olmayan
Kemik
92.96 94.55 95.91 98.43
Lim ve arkadaşları (2004) tarafından gerçekleştirilen bir başka Görüntü İşleme çalışmasında Femur ve Radius kırıklarının tespiti incelenmiştir. Kemik kırığının tespiti için 4 farklı tipte görüntüden özellik çıkarımı tekniği kullanılmıştır. Bunlar sırasıyla femoral boyun şaft açısı (BŞA), Gabor filtresi, Markov Rastgele Alanları (MRA) ve yoğunluk gradyan (YG)’dir. Sınıflandırma içinse Bayesian ve Support Vector Machine sınıflandırıcıları kullanılmıştır. Çizelge 2.2’de kemik kırığının tespit oranı ve sınıflandırma doğruluğuna ait sonuçlar verilmiştir [17].
Hayvanlarda kemik anatomisi üzerine yapılan çalışmalar çok azdır. Derin öğrenme teknolojisinin kullanıldığı domuz kemikleri üzerine bir çalışma olmasına rağmen, bu çalışma kırık tespiti değil, sınıflandırma üzerinedir [18]. Hayvanlarda derin öğrenme teknolojisilerinden SSD kullanılarak kemik kırıklarının ilk retrospektif çalışması köpek tibiası üzerine gerçekleştirilmiştir [19]. Daha sonra bu çalışmalara takiben Baydan ve Ünver tarafından Mask R-CNN çatısı kullanılarak köpek ve kedilerdeki sağlam ve kırık tibia kemiğinin sınıflandırılıp kırık tibia üzerindeki kırık yerlerinin belirleme işleminin gerçekleştirildiği görülmüştür [20].
Yapılan çalışmalara göre kemik kırığının tespiti ve sınıflandırılmasına yönelik genel olarak Derin Öğrenme ve Görüntü İşleme teknikleri ağırlıklı olarak kullanılmıştır. Bu çalışmaları göz önünde bulundurarak daha hızlı ve daha hassas doğrulukta sonuç elde edebilmek için Derin Öğrenme teknolojisine ait olan ve nesne tespiti ve sınıflandırılmasında en yaygın olarak tercih edilen ESA’ya ait modellerin köpek Tibia kemik kırığının tespiti ve sınıflandırılması adına kullanılması hedeflenmiştir.
Çizelge 2.2 Femur Kemik Kırığının Tespiti ve Sınıflandırılaması Üzerine Performans Karşılaştırılması [17]
NSA
Gabor YG MRA Birleşimi
Bayes DVM Bayes DVM DVM 1 of 5 1 of 6 2 of 6 2 of 4
Kırık Tespit Oranı 61.5% 539% 69.2% 38.5 53.9% 14.3% 100% 100% 92.2% 76.9%
Sınıflandırma Doğruluğu
93.5% 94.4% 935% 88% 93.5% 89.5% 89.8% 88.9% 98.2% 97.2%
Bir ya da birden fazla Evrişimsel Sinir Ağına ait metotların birleşmesi sonucu oluşan modeller hibrit bir mimari oluşturmuştur. Tek başına kullanılan metotların doğruluk oranlarını artırabilmek için hibrit ESA modeller kullanılmıştır.
Chen ve arkadaşlarının (2019) yaptıkları bir çalışmada nesnelerin örneklemelerini bölütleyebilmek için hibrid görev basaklama geliştirmişlerdir. Basamaklama, çeşitli görevlerde performansı artıran klasik ama güçlü bir mimari olmuştur. Ancak, örnek segmentasyonuna basamaklamanın nasıl ekleneceği açık bir sorudur. Cascade R-CNN ve Mask R-CNN'nin basit bir kombinasyonu yalnızca sınırlı kazanç sağlamıştır. Daha etkili bir yaklaşımı keşfederken, başarılı bir örnek segmentasyon kademesinin anahtarının, algılama ve segmentasyon arasındaki karşılıklı ilişkiden tam olarak yararlanmak olduğu görülmüştür. Bunun üzerine yeni Hibrit Görev Basamaklama çatısı önerilmiştir [21].
Bir başka çalışmada röntgen görüntüsünden karaciğer ve tümör’ün bölütlenmesi için Hibrit Yoğun Bağlı UNet kullanılmıştır ve adına H-DenseUNet adı verilmiştir. H- DenseUNet, dilim içi özellikleri verimli bir şekilde çıkarmak için bir 2D ve hiyerarşik olarak karaciğer ve tümör segmentasyonunu otomatik bağlam algoritmasının altında hacimsel bağlamları toplama için bir 3D karşılıktan oluşturulmuştur. Derin evrişimli 2D DenseUNet, yüksek seviyeli temsili düzlem içi özellikler üretebilmiştir, ancak 3D DenseUNet'in büyük GİB'i varken z boyutu boyunca uzamsal bilgileri ihmal etmiştir.
Daha iyi karaciğer tümörü segmentasyonu için öğrenilen dilim içi ve dilim içi özellikleri birlikte birleştirmek ve optimize etmek için H-DenseUNet geliştirilmiştir [22].
Kannojia ve Jaiswal’in yaptıkları çalışmada ESA'nın özellik temsilinden ve EÖM'nin hızlı sınıflandırma öğrenmesinden yararlanmak için, görüntü sınıflandırması için Hibrit ESA-EÖM modeli geliştirmişlerdir. Görüntü temsil özellikleri, Evrişimli Sinir Ağı tarafından öğrenilmiştir ve sınıflandırma için Ekstrem Öğrenme Makinesi'ne beslenmiştir. Üç hibrit ESA-EÖM paralel olarak bir araya getirilmiştir ve nihai çıktı, bu sınıflandırıcının çıktılarının çoğunluk oylama grubu tarafından hesaplanmıştır.
MNIST veri seti üzerinde denen bu toplu modelin sınıflandırıcının sınıflandırma güvenini ve doğruluğunu iyileştirdiğini göstermiştir. 99,33'e varan doğrulukla tek
hibrit ESA-EÖM sınıflandırıcısına kıyasla doğruluğu etkili bir şekilde iyileştirdiği göstermiştir [23].
ESA'lar birkaç farklı katmandan oluşmuş (Evrişimli katmanlar, Alt örnekleme katmanları ve Etkinleştirme katmanları gibi) ve her katman, giriş verilerinde önceden belirlenmiş bazı işlevleri gerçekleşmiştir [24]. Evrişimli katmanlar, ağdaki erken evrişimli katmanlar düşük seviyeli özellikleri (kenarlar gibi) çıkarırken ve daha karmaşık anlamsal özellikleri (araba farları gibi) çıkaran sonraki katmanlar ile görüntü sınıflandırması için kullanılacak özellikleri çıkarmıştır. Geri yayılım işlemi [25] ile, bir ESA, bir dizi girdi görüntülerinden çekirdek ağırlıkları ve önyargıları öğrenmiştir.
Bu çekirdek ağırlıkları, öğe bazında bir nokta ürünü gerçekleştiren bir girdi görüntüsü boyunca kayarak, daha sonra öğrenilen önyargı değeriyle birlikte toplanan ara sonuçlar vermiştir. Her nöron giriş görüntüsüne göre bir çıktı almıştır. Bu çıktılara aktivasyon haritaları [26] olarak da ifade edilmiştir. Ezberlemeyi engellemek için ESA'lar, havuzlama [27] adı verilen başka bir katman türü kullanarak girişleri altörneklemiştir.
Doğrultulmuş Doğrusal Birim (ReLU) [28], argümanının pozitif bölümünü veren max (0, x) olarak tanımlanmıştır. Bu işlevler genellikle sınıflandırma puanlarını normalleştirmek için çıktı katmanından önce kullanılmıştır. Softmax [29] ile toplamı bir olan çıktı sınıfı puanları vermek için logit olarak bilinen ölçeklenmemiş ölçek değerleri üzerinde bir normalleştirme gerçekleştirmiştir. Aşırı parametreleştirilebilen ve görüntü verilerindeki doğal özelliklerden yararlanamayan klasik görüntü sınıflandırma modelleriyle karşılaştırıldığında, ESA'lar birden çok yığılmış hesaplama katmanları aracılığıyla uzamsal farkındalığa açığa çıkartırmıştır [24]. ESA'ların temel faydası, eğitilmelerinin daha kolay olması ve aynı sayıda gizli birimle tam bağlı ağlara göre çok daha az parametreye sahip olmuşlarıdır [23].
Ekstrem öğrenme makinesi, tek gizli katmanlı ileri beslemeli sinir ağını eğitmek için geliştirilmiştir. EÖM'de, gizli katmanın gizli düğümleri rastgele başlatılmıştı ve ardından yinelemeli ayar yapılmadan sabitlenmiştir. Nihai karar verme olarak çoğunluk oylama topluluğu bu model için kullanılmıştır. Çoğunluk oylama şeması, önce her bir temel sınıflandırıcı tarafından alınan toplam oyu hesaplar. Tahmin edilen sınıf etiketi için oy çoğunluğu hesaplanır. Nihai tahmin, çoğunluk oyu alan temel sınıflandırıcı tahminine atanır [23].
Derin Öğrenme üzerine diğer bir hibrit çalışması ise İnsan Aktivite Tanımla (İAT) olmuştur. İAT, yaşlıların günlük yaşamını desteklemek ve bilişsel bozukluklar, Parkinson hastalığı, demans vb. muzdarip kişilere yardımcı olmak için en yararlı teknoloji araçlarından biridir. Bu çalışmada, ESA'ları dört güçlü TSA (Tekrarlayan Sinir Ağları) ile, yani UKSB'ler (Uzun Kısa Süreli Bellekler), İkiUKSB'ler (İki Yönlü Uzun Kısa Süreli Bellekler), KTB'ler (Kapılı Tekrarlayan Birimler) ve İkiKTB'ler (İki Yönlü Kapılı Tekrarlayan Birimler) ile entegre eden dört hibrit modeli analiz edilmiştir. İAT teknikleri, ortam ve akıllı telefon sensörleri tarafından toplanan verilere dayanmaktadır. Bu çalışmada PAMAP2 verileri kullanılmıştır. Bu veri seti, giyilebilir sensörler tarafından toplanan 18 günlük aktivitenin verilerini içerir.
Yürüme, koşma, bisiklete binme ve araba kullanma, bu veri setinde yer alan etkinliklere bazı örneklerdir. Yapılan çalışmalara göre demanstan muzdarip yaşlıların günlük aktivitelerini tanımak ve anormal davranışlarını tespit etmek için ESA ile TSA’nın birleşimi olan ve UKSB olarak adlandırılan model İAT’da daha iyi sonuç vermiştir. ESA ve TSA modellerinin kombinasyonu yoluyla, hem ESA'ların gücünü öznitelik çıkarmada hem de TSA'larin aktiviteler arasındaki geçici bağımlılıkları göz önünde bulundurma kapasitesini kullanabilmiştir. TSA'lar, dahili bir bellek içeren bir YSA türüdür. UKSB'ler, bağımlılıkları uzun süre hatırlamak söz konusu olduğunda standart TSA'lardan çok daha iyi performans gösteren TSA'ların bir uzantısıdır. Çift yönlü UKSB'ler, bir kez veri dizisinin kendisi ve bir kez de ters kopyası üzerinde eğitilen UKSB'lerin bir uzantısıdır. KTB'ler, UKSB'lere benzer şekilde TSA'larda kısa süreli bellek sorununu ele alan TSA'ların başka bir uzantısıdır. İki KTB'ler, biri normal zaman düzeninde diğeri ters zaman düzeninde çalışan iki KTB'nin birleşimidir [30].
Diğer bir bilgisayar destekli tanının Pulmoner nodülün malignite riski farklılaşması ilişkin yapılan çalışmada hibrit bir model geliştirilmiştir. Lung Image Database Consortium ve Image Database Resource Initiative (LIDC-IDRI) tarafından oluşturulan en büyük genel veritabanını kullanarak pulmoner nodül farklılaşması için hem global hem de yerel özellikleri dikkate alan bir hibrit model oluşturulmuştur [31].
Son yıllarda akciğer kanseri taraması için yaygın olarak kullanılan bilgisayarlı tomografi (BT) ile her yıl çok sayıda ve artan sayıda pulmoner nodül tespit edilmesine rağmen, uzmanlar veya radyologlar tarafından tespit edilen çok sayıda nodülü
değerlendirme görevi hala çok zaman alıcı olmuştur [32]. Bu sebeple geliştirilen hibrit ESA modelinde çıkarılan özelliklerin dağılımlarının projeksiyonuna dayanarak çok kanallı ESA modelinin nodüllerin malignite riskini ayırt etme becerisinin sağlandığı gözlemlenmiştir. Bu çalışmada hibrit model geleneksel doku yöntemi ve ESA ile ilgili tamamlayıcı özellikleri hesaba katarak, geleneksel özellikleri ESA’ya dahil ederek oluşturulmuştur [31].
Sirinivas ve Sasibhushana tarafından yapılan çalışmada beyin MR görüntüleri üzerinden tümörün sınıflandırmasına ilişkin hibrit ESA-KEK (K En yakın Komşusu) modeli geliştirlimiştir. ESA modelinin özellikleri çıkardığı ve daha sonra sınıfları tahmin etmek için KEK sınıflandırıcısına uygulanmıştır. Bu çalışmanın gerçekleşmesi için BraTS 2015 ve 2017 görüntü verileri kullanılmıştır. %96.25’lik doğruluk oranıyla sınıflandırma performansı gerçekleştirmiştir [33]. KEK, en yakın eğitim verilerine dayanan özellik alanını kullanarak görüntüleri sınıflandırmak için bir yöntemdir [34].
Algoritma, yalnızca görüntülerin eğitimi için gerekli olan parametrelerin etiketlerini ve özellik vektörlerini saklar. Sınıflandırma görevinde, en yakın komşu, etiketlenmemiş sorgu noktasına atanır. Görüntünün sınıflandırılması, en yakın komşu etiketlerine göre yapılır. ESA'nın avantajları, ardışık katmanlar arasındaki nöronlar arasında seyrek bağlantı ve katmanlar arasında ağırlık paylaşımıdır. KEK, en yakın veri örneklerini benzer ölçülere göre bir sınıf olarak sınıflandırır [33].
Silva ve Welfer’in yaptığı çalışmada karakter çıkarım ve sığır markalaması sınıflandırması için hybrid DVM (Destek Vektör Makinesi)-ESA modeli geliştirilmiştir. Latin Amerika ülkeleri için sığır markalaşması hem ekonomik açıdan hem de sosyal açıdan çok önemli bir faaliyettir ve bu marklaşma için geliştirilen teknik bir araç mevcut değildir. Markalama işleminin manuel yapılması yeni gelen markların kaydedilmesi işleminde zaman kaybına yol açmıştır. Bu zaman kaybının önüne geçmek için bilgisayar destekli hibrit bir sistem geliştirilmiştir. Hibrit model geliştirilirken ESA, görüntülerden özelliklerin çıkarımı için kullanılmıştır ve DVM’de görüntülerin eğitilmesi ve sınıflandırılması için kullanılmıştır. Eğitim sırasında ESA tarafından öğrenilen filtre seti, sorgu anında yeni görüntüdeki özellikleri tespit etmekten sorumludur. İlk filtre seviyesinde, bu tespit için kullanılan bazı çizgileri ve yönelimleri gözlemlenmiştir. Konolüsyon katmanda kullanılan 96 filtreyi temsil eden
96 ayrı set vardır. İlk evrişimden sonra yatay, düşey ve çapraz çıkıntılar gösteren alanların nasıl vurgulandığını gözlemlenmiştir [35]. Destek Vektör Makinesi, uygulamalarda kullanılan ve başarısı ile bilinen bir sınıflandırma algoritmasıdır. DVM ile belirli bir veri kümesindeki iki sınıfı özelliklerle ayırmak için en uygun alt düzlem sağlanabilinir [36]. Farklı örnek setlere ait markalardan öznitelikler çıkarıldıktan sonra DVM ile sınıflandırıcı işlemi uygulanmıştır. İki sınıfın sınıflandırmasını temsil ettiği bir dizi örnek dikkate alınarak, yeni verilerin ait olduğu sınıfı öngörebilen ve ardından eğitim sürecini gerçekleştirebilen bir sınıflandırıcı yapılmıştır [35].
2.1. Kırık Tanımı
Kırık çıplak gözle görülemez ve bu nedenle onu tespit etmek için X-ışını, CT, ultrason, MRI görüntüleri kullanılır. Bu görüntüler doğrudan teşhis edilemez ve bu nedenle görüntü işleme, kırık tespitinde çok önemli bir rol oynar [37]. Kemikler, vücuda şekil veren, mekanik destek sağlayan, göğüs-karın bölgesindeki iç organları koruyan ve hareketi kolaylaştıran iskelet sisteminin organlarıdır. Ayrıca, vücudun mineral dengesine de katkıda bulunurlar [38]. Kemiğin yaklaşık % 20'si sudur ve kuru ağırlığın
% 30-% 35'i organik ve % 65-70'i inorganik maddelerden oluşur. Kemik yapısında osteoblastlar, osteositler, osteoklastlar ve osteojenik öncü hücreler (mezenkimal osteoprogenitör hücreler) bulunur [38]. Osteoklastlar kemik rezorbsiyonu, osteoblastlar kemik oluşumu görevini üstlenir [39].
Kemikler sık sık kırılır ve bazı önemli kemiklerin kırılması bazı fonksiyonların yerine getirilememesine/işlevsel sınırlamalara ve sakatlıklara neden olur. Kırıklar meydana geldiğinde, iskelet dokusu organizasyonunda bir bozulma ve mekanik bütünlük kaybolur [40].
Kemik kırığı tespitinde önceki çalışma üç ana adımdan oluşur: (1) X-ışını görüntüleri denoize etme, (2) özellik çıkarma ve (3) görüntü sınıflandırma. Bu önceki çalışmaların bir ortak yanı, ya tek bir anatomik bölgeye ya da tek bir kırık tipine odaklanmış olmalarıdır, ör. tibia (açık kırık), kol ve femur boynu (ince kırık). Bu yöntem sadece kemik görüntüsünün kırılıp kırılmadığını algılayabilmiş, ancak kırık bölgesi
belirlenememiştir. Ancak pratikte uzman doktorların farklı anatomik bölümlerdeki kırığı tespit etmesi gerekmektedir. Bu nedenle, daha pratik bir sistem, insan vücudundaki farklı kemik türlerindeki kemik kırıklarını makul bir şekilde tespit etmede yardımcı olacaktır [41].
Görüntü işleme teknikleri çeşitli tıbbi alanlarda sıklıkla kullanılmaktadır. Dalgacık dönüşümü, tıbbi görüntü işleme alanında kullanılan uygulamalardan biridir. Bu uygulama tıbbi alanda önemlidir, çünkü dosya boyutundaki azalma, her disk miktarı veya bellek alanında daha fazla görüntünün depolanmasına izin verir. Bu tür görevler için, optimum ve en doğru sonuçlara ulaşmak için geri yayılım sinir ağı gibi yapay zeka araçları yardımıyla görüntü işleme teknikleri kullanılmıştır [42].
Geliştirilen sistem iki ana aşamadan oluşmaktadır. İlk aşamada, kırıkların görüntüleri, konumlarını ve şekillerini tespit etmek için farklı görüntü işleme teknikleri kullanılarak işlenir ve bir sonraki aşama, bir geri yayılım sinir ağının eğitildiği ve daha sonra işlenmiş görüntüler üzerinde test edildiği sınıflandırma aşamasıdır. Deneysel olarak, sistem farklı kemik kırığı görüntüleri üzerinde test edildi ve sonuçlar yüksek verimlilik ve bir sınıflandırma oranı gösterdi [42].
Bu çalışma, derin öğrenme algoritmasına ek olarak genetik algoritmaları (GA'lar) kullanması bakımından diğerlerinden farklıdır. Duyarlılık, özgüllük, doğruluk, F1 puanı ve Cohen'in kappa katsayısı açısından performans beş kat çapraz doğrulama testleri kullanılarak değerlendirilmiştir. En iyi performans, kırpılan görüntüler 50x50 piksel olarak yeniden ölçeklendiğinde elde edilmiştir. Kappa metriği, ESA'yı beslemek için 50x50 piksel görüntü boyutu kullanıldığında daha güvenilir sınıflandırıcı performansı göstermiştir. Sınıflandırıcı performansı diğer görüntü boyutlarına göre daha güvenilir olduğu görülmüştür. Duyarlılık ve özgüllük oranları sırasıyla% 83 ve%
73 olarak hesaplanmıştır. GA'nın dahil edilmesiyle bu oran% 1,6 artmıştır. Kırık kemiklerin tespit oranı% 83 olarak bulunmuştur [43].
2.2. Kırığın Nedenleri
Kemik emilimi ve oluşumu arasındaki bir dengesizlik, osteoporoz dahil kemik hastalıkların ve kırılmanın nedeni olabilir [39]. Kemik kırığı en yaygın sorundur ve kırılmadan en fazla etkilenen kemikler uzun olanlardır. Uzun kemikler fizyolojik ve fizyolojik olmayan kuvvetlere maruz kalır. Otomobil kazaları, travmatik olaylar, ateşli silah yaralanmaları, düşmeler, kemik erimesi, kemiklerle ilgili kanser gibi gibi durumlar nedeniyle ortaya [37,44]. Fizyolojik olmayan olağandışı durumlarda, stres koşulları ve sürekli baskı/basınç faktörleri altında kemik dokusunun direncinin azalmasıyla kırılma meydana gelir [38]. Kemiğin maruz kaldığı kuvvet kemiğin dayanım gücünü aştığında kırılma meydana gelir; güç zayıf olduğunda basit kırık gelişir. Fakat, genellikle kombine yük etkisine bağlı daha çok kompleks kırıklar meydana gelir [44]. Kırığa neden olan dış ve iç (intrinsik) faktörler söz konusudur.
2.2.1. Dış Nedenler
Doğrudan Şiddet: Travma, küçük hayvanlarda kırıkların en yaygın nedenidir ve genellikle otomobil yaralanması veya yüksekten düşme nedeniyle oluşur. Direkt travma nadiren kalibre edilmiş bir miktarda belirli bir yere iletildiğinden, ortaya çıkan kırık nadiren tahmin edilebilir. Kuvvetin miktarı ve yönü kazadan kazaya değişecektir.
Şiddetli doğrudan travmadan kaynaklanan çoğu kırık ya ufalanmış ya da çokludur [40].
Dolaylı Şiddet: Dolaylı travmaya bağlı kırıklar, doğrudan travmaya bağlı olanlara göre daha öngörülebilirdir. Genellikle bir kuvvet, kemiğe belirli bir şekilde ve kemik içindeki "zayıf bir bağlantıda" iletilerek kırılmaya neden olur [40].
Bükülme Kuvvetleri: Bükülme kırıkları, travmatik kuvvetin kemik diyafizinin elastik sınırını aştığı ölçüde, bir kemik üzerindeki belirli bir odak noktasına kuvvet uygulandığında meydana gelir.Bükme kırıklar genellikle eğik veya enine şeklindedir [40].
Burulma Kuvvetleri: Burulma kırıkları, bir kemiğin uzun eksenine bir bükme kuvveti uygulandığında meydana gelir. Kırık tipi, genellikle keskin uçlu ve çoğu kez keskin kenarlı uzun bir spiral şeklindedir. Yüksekten atlayan bir kedide hatalı atlayışa bağlı olarak tibial diyafizin spiral kırılması olguları görülür [40].
2.2.2. İç (İntrinsik) Nedenler
Kas Hareketine Bağlı Kırıklar: Bir kasın şiddetli kasılmasından kaynaklanan kırıklara avülsiyon kırıkları denir. Bu kırıklar sıklıkla gelişmekte olan hayvanlarda meydana gelir.
Patolojik Kırıklar: Bu tip kırıklarda altta yatan kemiğe veya sistemik bir hastalığa bağlı bir neden bulunmaktadır. Bu tip kırıklarda dışarıdan bir travmaya gerek yoktur.
Hayvanın ağırlığı gibi faktörler bile kırılmaya neden olabilir [40].
2.3. Tibia Kemik Kırıkları
Tibia (Hata! Başvuru kaynağı bulunamadı.), bacağın en büyük ve medial kemiği veya arka ekstremitenin orta segmentidir. Proksimal yüzeyi, femur ile eklemlenen lateral ve medial kondilleri taşır. Yanal kondilin hemen distalinde, yan yüzeyde fibula başı için küçük ve neredeyse oval faset bulunur. Küçük bir kas olan popliteus çentikte yer alır ve diz ekleminin bir fleksörüdür. Tibial tepe, şaft boyunca yumru (tüber)’dan distal olarak devam eder. Tibianın distal ucunun iki eklem yüzeyi vardır [45].
Şekil 3.1 Farklı açılardan çekilmiş köpek (A) ve kedi (B) tibiası [46]
2.3.1. Köpek ve Kedilerde Tibia Kırıkları
Köpekler, evcil hayvan nüfusunun çoğunluğunu oluşturmaktadır. Bu evcil hayvanlar, sıklıkla travmatik yaralanmalardan veya kemik patolojisinden kaynaklanan apendiküler kemik kırıklarına eğilimlidir [47].
Tibia kırıkları köpek ve kedilerde, özellikle de yavru köpeklerde yaygın olarak karşılaşılan uzun kemiklerin ortopedik bir sorunudur [47,48]. Kırık kemik uçlarının gerekli şekilde kaynayamaması konusunda radiustan sonra en fazla kırılma oranına sahip kemik, tibia’dır. Uzun kemik kırıklarının % 20'sini oluşturan tibia kırıkları köpeklerde nispeten yaygındır. Tibia kırıkları, tibianın kranio-medial yönünü kaplayan çok az yumuşak doku olmasından dolayı çeşitli şekillerde görülebilir. Gençlerde daha çok ufalanmamış, veya tam olmayan kırıklar görülür; parçalı kırıklar ise esas olarak erişkinlerde görülmektedir. Yetişkinlerde ufalanmış kırık sıklığınını temel sebebi yetişkin kemiğindeki artan kırılganlık ve bu tür kemiklerin verilen enerjiyi emme kapasitesindeki azalma ile ilgili olabileceği bildirilmektedir [47]. Tibianın kraniomedial yönünü kaplayan kas dokusunun çok az olmasından dolayı açık kırıklar daha yaygın görülür. Gerek açık kırıklar, gerekse veteriner hekimin teknik
uzmanlığındaki yetersizlikten ziyade, karar verme noktasındaki etersizliğine bağlı komplikasyonlar gelişebilir. Kırığın ameliyat öncesi değerlendirilmesi ve onarımın planlanması tibia kırıklarının komplikasyon oranlarını azaltmaya yardımcı olur [49].
Köpek ve kedilerde kırık tiplerini ve sıklığını belirlemek amacıyla yapılmış retrospektif (geriye dönük) çalışmalar bulunmaktadır. Indore'daki Teaching Veterinary Clinical Complex (T.V.C.C), Mhow ve Devlet hastanelerine getirilen vakalardan yapılan bir retrospektif çalışmada köpeklerde kırılma oranının % 1.14 olduğu, daha çok 1-6 aylıklarda ve çoğunlukla otomobil kazasına bağlı olduğu, kırığın daha çok femurda, bunu takiben tibia-fibula, radius-ulna ve humerus’ta görüldüğü bildirilmiştir [47]. Singh ve ark (2015) tarafından yapılan bir çalışmada T.V.C.C’e getirilen köpek, sığır, manda, keçi ve diğer türler kapsamında kırıklara en fazla rastlanan türün köpekler olduğu kaydedilmiştir. Büyüyen köpeklerde uzun kemik kırıklarının oluşumunu ve modelini ve İntramedüller (IM) Steinmann pin sabitlemesinin etkinliğini belirlemek için yapılan bir retrospektif (geriye dönük) çalışmada 10 yıllık bir süre boyunca büyüyen köpeklerin tüm kayıtları, travmanın nedenini, hayvanın yaşı ve cinsiyeti, dahil olan kemik, kırığın türü ve yeri, fiksasyon durumu, hizalama ve bakımını yönünden inceleme yapılmıştır. Araştırma sonunda 310 kırık vakasının 91'inde (% 29) kemiklerin osteopenik olduğu belirlenmiştir [44].
Osteopeni (% 25) olan köpeklerde kırılmanın başlıca nedeni küçük travmalar olduğu ve en yaygın olarak etkilenen ırkın ise yerli ırklar (% 38) olduğu, osteopenik kemikli köpeklerde kırıkların en yaygın olarak 2-4 aylık yaş grubunda (% 53) kaydedildiği bildirilmiştir. Normal köpeklerde ise kırıkların 2-8 aylık arasında dağıldığı, erkek köpeklerin her iki grupta da en fazla etkilenen cinsiyet grubu olduğu bildirilmiştir [50].
2005'ten 2010'a kadar küçük hayvanlarda (köpekler ve kediler) kırıkların oluşumunu ve modelini kaydetmek için yapılan bir retrospektif çalışma yapılmıştır. Küçük hayvan cerrahisi ünitesine gelen toplam 650 vaka’nın 116'sının köpek ve kedilerde farklı kemik kırıkları olduğu bildirilmiştir.Bu 116 vakanın % 67'si köpek, % 23'ü kediler ile ilgili bildirilmiştir. Hayvanlarda kırıkların nedeni köpeklerde çoğunlukla kaza, kedilerde ise yüksekten düşme olarak ve yaşlar da köpeklerde 4 ay-12 yıl yaş, kedilerde 4 hafta-10 yıl yaş arasında değiştiği ve Femur kırıklarının köpek ve kedilerde sırasıyla% 37.5 ve % 25; tibial kırık ise sırasıyla % 21.5 ve % 10 olarak bildirilmiştir [51]. Kore’de 2005-2011 arasını kapsayacak şekilde yapılan bir retrospektif çalışmada
da kırıkların özellikle Yorkshire terrier (%12), Poodle (%12), ve Maltese (%9) gibi minyatür köpeklerlerde görüldüğü, vakalarını %50’sinin 1 yaştan küçük ve daha çok erkek köpeklerde (%54) olduğu, kırıkların yazın ve trafik kazası şeklinde görüldüğü, kemik kırıklarının en fazla femur (19), bunu hemen takiben tibia/fibula (15) da olduğu bildirilmiştir
2.3.2. Kırıkların Klinik ve Doğrulayıcı Tanı Yöntemleri
Herhangi bir tedavinin başarılı ya da başarısız sonucu, büyük ölçüde sorunun ne kadar doğru şekilde tespit edildiğine bağlıdır [52]. İskelet sisteminin radyografik görüntülemesi, küçük hayvan ortopedi biliminin ayrılmaz bir parçasıdır. Ancak tanı için radyografilerin tek başına incelenmemesi, olgunun arkasındaki geçmişin anlaşılması, eksiksiz bir fiziksel ve kapsamlı ortopedik muayenenin sonuçları dikkate alınarak tüm hasta bağlamında değerlendirme yapılmalıdır. Dikkatli bir sistematik yaklaşım, hatalardan kaçınmaya yardımcı olur (örneğin, patolojik bir kırığı kaçırmak veya bariz bir açık uç uzuv kırığını ve uzuvda başka bir yerde kapalı bir proksimal kırığı kaçırmak) ve komplikasyonların erken tespitini sağlayarak istenmeyen bir durumu önlemek için hızlı müdahaleyi mümkün kılar [53].
Kırıklarda erken teşhis ve doğru sınıflandırma, tedavi yönteminin seçiminde çok önemlidir [48]. İnsanlarda yanlış tanı konulan kırıklar, Acil Servislerde (ED'ler) tüm acil servise gelenlerin yaklaşık % 1'inde meydana gelen tanı hatalarının önde gelen nedenidir. Gözden kaçan kırıklar, hekimler tarafından kas-iskelet radyografilerinde yapılan en yaygın yorumlama hatası türüdür. Tedavide gecikmelere neden olabilirler, kötü kaynama ve artrite eşlik eden morbiditeye yol açabilir ve doktorlara karşı yanlış uygulama iddialarına yol açan en yaygın faktörlerden biridir. Kırıkları radyografilerde güvenilir bir şekilde tanımlamak zordur çünkü kırıklar benzersiz şekilde heterojendir:
herhangi bir kemikte ortaya çıkabilir ve görünümleri bölgesel anatomiye ve radyografik projeksiyona bağlıdır. Kas iskelet sistemi görüntülemede uzmanlaşmamış klinisyenler, genellikle birçok farklı ve genellikle çözümü zor sunumlarında kırıkları tanımlama konusunda sınırlı eğitime sahiptir[54].
Klinik anormalliklerin tanısında ekran filmi görüntülerinin ve düşük kaliteli foto- floroskopik tanı yöntemlerinin yeterliliği daima sorgulanmıştır. Radyologlar tarafından % 30 gibi yüksek oranda lezyonların gözden kaçırıldığı ve bunun da çoğunlukla gözlemciler arası varyasyonlardan ileri geldiği bildirilmiştir. Bu tür sorunlardan kaçınmak için son derece hassas ve gelişmiş görüntüleme tekniklerine ihtiyaç olduğu anlaşılarak günümüzde dijitalleştirilmiş sisteme sahip modern teşhis yöntemleri geliştirilmiştir. Ancak, Bilgisayarlı Tomografi (BT) gibi modern tanı yöntemleriyle bile farklı lezyon türlerinin sıklıkla gözden kaçırılabildiği ve klinik tanısal görüntüleme tekniklerinde daha fazla ilerleme yapılması gerekliliği vurgulanmıştır [52]. Diğer yandan, deneyimli bir doktorun, röntgen görüntüsünde kemik kırığının nerede meydana geldiğini incelemek için çok zaman harcaması gerekir. Bununla birlikte, birçok hastanede bu tıbbi görüntülerle ilgilenecek deneyimli radyolog eksikliği vardır. Kemik kırığı tespitinde doktorlara yardımcı olmak için, bilgisayar destekli tanı (CAD) tıbbi görüntülerin analizinde yaygın olarak kullanılmakta ve bu yıllar içinde giderek bir artış görmektedir [41]
X ışınları gibi eski teknikler kemik kırıklarının tespitinde de halen popüler, verimli ve etkili bir şekilde kullanılmaktadır. Ancak, bazen kırıkların boyutu anlamlı olamadığında bu metotla kolayca tespit yapılamaz. Bu nedenle etkili ve akıllı sistemlerin tasarlanması gerekmektedir [42]. Özellikle tıbbi alanda olmak üzere, günümüzde pek çok farklı alanda her gün hızla gelişen yeni teknolojiler ortaya çıkmaktadır. Tıbbi görüntü işleme alanında derin öğrenme tekniklerinin kullanımı son yıllarda popülerlik kazanmıştır. Bilgisayarların çevresel faktörlerden etkilenmemesi, öğrendiklerini unutmaması ve sınırsız bellek kapasitesine sahip olması, doğruluk oranları iyileştirilirse algoritmaların yakın gelecekte hekimlerin hastalarına yönelik karar verme süreçlerini doğrudan etkileyeceğini düşündürmektedir. Derin öğrenme tekniklerini kullanma kırıkların erken teşhisi, tedaviye erken başlanması, ameliyat sonrası iyileşme süresinin kısaltılması ve yanlış teşhis nedeniyle artan maliyetleri de önleyerek yarar sağlayacaktır [43].
Son teknolojik tanısal görüntüleme tekniklerinin çoğu tıp alanında uzun yıllardır kullanılmaktadır. Ancak, veteriner pratikte tanısal görüntüleme için yeni yöntemlerin geliştirilmesi ve tanıtılması oldukça yenidir [52].
2.4. Yapay Zeka (YZ)
YZ, sensörleri aracılığıyla çevresini algılayan, etkileşime giren ve başarı şansını en üst düzeye çıkarmak için eylemler gerçekleştiren akıllı unsurların çalışması ve tasarımı ile ilgilenen bir bilgisayar bilimi dalıdır [55,56]. Basitçe YZ, makinelere insan gibi düşünme yeteneği kazandırma işlemidir [57]. Böyle bir işlem insan beyninin öğrenme metodunu taklit etmeye çalışan öğrenme algoritmaları yoluyla mümkün olabilmektedir. Nitekim günümüzde bu öğrenme algortimalarından günlük yaşantının farklı alanlarında yararlanılmaktadır [56]. YZ, günümüz bilgisayar yazılımının durumunu ifade eden ve belli görevleri yapan dar/zayıf YZ, bir bilgisayarın akıl yürütme, planlama, problem çözme, soyut düşünme, karmaşık fikirleri anlama, hızlı öğrenme ve deneyimlerden öğrenme dahil olmak üzere hemen hemen her alanda bir insanın zeka düzeyine eşit olmasıyla ulaşılan yapay zeka düzeyini karşılayan yapay genel zeka (YGZ), bir insanın zeka seviyesini katlayarak birkaç büyüklük derecesiyle aştığında ulaşılan yapay zeka seviyesini karşılayan yapay süper zeka (YSZ) şeklinde tiplendirilmektedir [58,59].
YZ terimi 1956 yılında John McCarthy tarafından geliştirilmiştir. John McCarthy YZ’yi “akıllı makineler yapma bilimi ve mühendisliği” olarak tanımlamıştır. Ayrıca, YZ “aynı anda iki farklı fikri akılda tutma ve fonksiyon için yeteneğinin hala devam ediyor olması” şeklinde de tanımlanabilmektedir [55]. Daha geniş olarak ise YZ "bir sistemin harici verileri doğru şekilde yorumlaması, bu tür verilerden öğrenme ve bu öğrenmeleri esnek adaptasyon yoluyla belirli hedeflere ve görevlere ulaşmak için kullanma yeteneği" şeklinde de tanımlanmaktadır [60]. Yapay zeka geçmiş deneyimlerden öğrenme, karar verme mantığı, çıkarım gücü ve hızlı cevap özelliklerini içermeli, karmaşıklık ve belirsizlikle başa çıkabilmelidir [55]. YZ güvenlik, araştırma, robotik, ses tanıma, ulaşım ve daha pek çok alanda başarılı olduğu kanıtlanan sinir ağları, derin öğrenme, istatistik, makine öğrenmesi gibi diğer pekçok alanı içerir ve bu haliyle sadece insanların iş yükünü azaltmakla kalmaz, aynı zamanda hayali kurulan yeni alanlar da açar [57].
